





79
480379
查詢門市庫存
●大量插圖與圖表,幫助理解
●說明輕鬆好懂,適合初次想深入了解AI的入門者
●提供書中所用的訓練資料與範例檔案下載
●說明輕鬆好懂,適合初次想深入了解AI的入門者
●提供書中所用的訓練資料與範例檔案下載
內容簡介
近年來最熱門的科技關鍵字「AI人工智慧」,到底是如何做出判斷的呢?
目前人工智慧領域中最熱門的「深度學習」,又是怎麼一回事?
在科技快速進步的現代,了解AI的機制與原理,已經成了必備的知識。
AI相關的科技雖然看似複雜,但若只是想了解原理,而不深究數學上的細節的話,其實並沒有想像中那麼困難。
「深度學習」是機器學習方式的一種,與過往由人類教導機器學習的方式不同,是由機器自己從大量的資料中學習,並做出判斷。
本書即是一本從頭解說「深度學習」運作機制的入門書。
書中搭配了豐富的圖表,文字淺白且說明深入淺出,只要有高中程度的數學知識,就可以充分理解本書所講解的內容,讓你在閱讀本書時,實際體會到「原來AI是這樣思考、這樣做出判斷的!」。
Step 1→說明深度學習的活躍情況
深度學習的登場,讓現代的AI有了飛躍性地發展。一開始會先從「現在的AI」是什麼樣子,以及AI與深度學習之間的關係開始講起。
Step 2→用許多插圖及例子說明深度學習的機制
在進行數學性的說明之前,先讓我們用插圖來看看深度學習是什麼樣的東西吧。雖然這樣的說明並不嚴謹,但可以幫助各位了解深度學習的概念。
Step 3→用數學式仔細說明神經網路的機制
在藉由許多插圖解釋深度學習與神經網路的機制之後,接著會用數學式更進一步深入解說神經網路是如何運作的。
目前人工智慧領域中最熱門的「深度學習」,又是怎麼一回事?
在科技快速進步的現代,了解AI的機制與原理,已經成了必備的知識。
AI相關的科技雖然看似複雜,但若只是想了解原理,而不深究數學上的細節的話,其實並沒有想像中那麼困難。
「深度學習」是機器學習方式的一種,與過往由人類教導機器學習的方式不同,是由機器自己從大量的資料中學習,並做出判斷。
本書即是一本從頭解說「深度學習」運作機制的入門書。
書中搭配了豐富的圖表,文字淺白且說明深入淺出,只要有高中程度的數學知識,就可以充分理解本書所講解的內容,讓你在閱讀本書時,實際體會到「原來AI是這樣思考、這樣做出判斷的!」。
Step 1→說明深度學習的活躍情況
深度學習的登場,讓現代的AI有了飛躍性地發展。一開始會先從「現在的AI」是什麼樣子,以及AI與深度學習之間的關係開始講起。
Step 2→用許多插圖及例子說明深度學習的機制
在進行數學性的說明之前,先讓我們用插圖來看看深度學習是什麼樣的東西吧。雖然這樣的說明並不嚴謹,但可以幫助各位了解深度學習的概念。
Step 3→用數學式仔細說明神經網路的機制
在藉由許多插圖解釋深度學習與神經網路的機制之後,接著會用數學式更進一步深入解說神經網路是如何運作的。
產品目錄
目錄
第1章 活躍中的深度學習
開啟AI時代的深度學習
深度學習與AI
機器學習與深度學習
深度學習的本質與特徵抽出
監督學習與非監督學習
圖像解析與深度學習
語音識別與深度學習
與Big Data十分契合的深度學習
撐起第四次工業革命的深度學習
第2章 用圖說明深度學習的機制
從神經元開始談起
用神經元機器人來說明
將神經元機器人排成一層層
神經網路產生智慧的機制
神經網路的「學習」是什麼意思
用圖說明什麼是卷積神經網路
用圖說明什麼是遞迴神經網路
第3章 說明深度學習之前的準備
Sigmoid函數
資料分析時的模型與參數
理論與實際的誤差
第4章 了解什麼是神經網路
以數學式表示神經元的運作方式
單元與活化函數
Sigmoid神經元
神經網路的實例
神經網路各層的運作方式與變數符號
神經網路的目標函數
神經網路的「學習」
對神經網路「學習」結果的解釋
第5章 了解卷積神經網路的機制
卷積神經網路的準備
卷積神經網路的輸入層
卷積神經網路的卷積層
卷積神經網路的池化層
卷積神經網路的輸出層
卷積神經網路的目標函數
卷積神經網路的「學習」
對卷積神經網路「學習」結果的解釋
測試卷積神經網路
第6章 了解遞迴神經網路的機制
遞迴神經網路的概念
遞迴神經網路的展開圖
遞迴神經網路中各層的運作機制
用數學式表示遞迴神經網路
遞迴神經網路的目標函數
遞迴神經網路的「學習」
第7章 了解誤差反向傳播法的機制
誤差反向傳播法是最佳化計算的基礎
誤差反向轉播法(Backpropagation法)的機制
用Excel體驗誤差反向傳播法
用Python體驗誤差反向傳播法
附錄
本書使用的訓練資料(Ⅰ)
本書使用的訓練資料(Ⅱ)
VBA的使用方式
新增規劃求解功能
在Windows 10使用命令提示字元的方法
Python安裝方法
微分的基礎知識
多變數函數的近似公式與梯度
卷積在數學上的意義
單元的誤差與梯度的關係
單元的誤差與各層間的關係
索引
第1章 活躍中的深度學習
開啟AI時代的深度學習
深度學習與AI
機器學習與深度學習
深度學習的本質與特徵抽出
監督學習與非監督學習
圖像解析與深度學習
語音識別與深度學習
與Big Data十分契合的深度學習
撐起第四次工業革命的深度學習
第2章 用圖說明深度學習的機制
從神經元開始談起
用神經元機器人來說明
將神經元機器人排成一層層
神經網路產生智慧的機制
神經網路的「學習」是什麼意思
用圖說明什麼是卷積神經網路
用圖說明什麼是遞迴神經網路
第3章 說明深度學習之前的準備
Sigmoid函數
資料分析時的模型與參數
理論與實際的誤差
第4章 了解什麼是神經網路
以數學式表示神經元的運作方式
單元與活化函數
Sigmoid神經元
神經網路的實例
神經網路各層的運作方式與變數符號
神經網路的目標函數
神經網路的「學習」
對神經網路「學習」結果的解釋
第5章 了解卷積神經網路的機制
卷積神經網路的準備
卷積神經網路的輸入層
卷積神經網路的卷積層
卷積神經網路的池化層
卷積神經網路的輸出層
卷積神經網路的目標函數
卷積神經網路的「學習」
對卷積神經網路「學習」結果的解釋
測試卷積神經網路
第6章 了解遞迴神經網路的機制
遞迴神經網路的概念
遞迴神經網路的展開圖
遞迴神經網路中各層的運作機制
用數學式表示遞迴神經網路
遞迴神經網路的目標函數
遞迴神經網路的「學習」
第7章 了解誤差反向傳播法的機制
誤差反向傳播法是最佳化計算的基礎
誤差反向轉播法(Backpropagation法)的機制
用Excel體驗誤差反向傳播法
用Python體驗誤差反向傳播法
附錄
本書使用的訓練資料(Ⅰ)
本書使用的訓練資料(Ⅱ)
VBA的使用方式
新增規劃求解功能
在Windows 10使用命令提示字元的方法
Python安裝方法
微分的基礎知識
多變數函數的近似公式與梯度
卷積在數學上的意義
單元的誤差與梯度的關係
單元的誤差與各層間的關係
索引
作者介紹
涌井貞美
涌井 貞美(Wakui Sadami)
1952年出生於東京。東京大學理學系研究科碩士畢業,曾任職於富士通,擔任過神奈川縣立高等學校教師,後來成為獨立科學作家。因其解說的文章詳細、易懂而廣受好評。
著作包括《まずはこの一冊から 意味がわかる統計解析》(べレ出版)、《図解・ベイズ統計「超」入門》(SBクリエイティブ)、《統計学の図鑑》、《深度學習的數學:用數學開啟深度學習的大門》(博碩)、《大人的理科教室:構成物理‧化學基礎的70項定律》(台灣東販)等。
涌井 貞美(Wakui Sadami)
1952年出生於東京。東京大學理學系研究科碩士畢業,曾任職於富士通,擔任過神奈川縣立高等學校教師,後來成為獨立科學作家。因其解說的文章詳細、易懂而廣受好評。
著作包括《まずはこの一冊から 意味がわかる統計解析》(べレ出版)、《図解・ベイズ統計「超」入門》(SBクリエイティブ)、《統計学の図鑑》、《深度學習的數學:用數學開啟深度學習的大門》(博碩)、《大人的理科教室:構成物理‧化學基礎的70項定律》(台灣東販)等。
規格
誠品貨碼 / 2682039727004
ISBN13 / 9786263047525
ISBN10 / 6263047526
EAN貨碼 / 9786263047525
頁數 / 304
注音版 / 否
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 21X14.8X1.9CM
級別 / N:無
退貨說明
退貨須知:
- 依照消費者保護法的規定,您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意!猶豫期非試用期),辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當,若原紙箱已遺失,請另使用其他紙箱包覆於商品原廠包裝之外,切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度,本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費;請您先確認商品正確、外觀可接受,再行拆封,以免影響您的權利;若為產品瑕疵,本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」,下列商品不適用七日猶豫期,除產品本身有瑕疵外,不接受退貨:
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務,經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形,可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費),或影響您的退貨權利,請您在拆封前決定是否要退貨:
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品,除商品本身有瑕疵外,退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送









